精华内容
下载资源
问答
  • 学生成绩数据分析 FCC-BUAP数据集的基础数据分析。 优胜劣汰的案例研究,综合实绩研究,学生表现分析.pdf Nombre del数据集:学生成绩数据集 说明:此数据用于评估两所葡萄牙学校的中等学生的学习成绩。 数据...
  • 关联分析学生成绩数据挖掘的应用.pdf
  • 中学学生成绩数据分析系统,输入成绩,系统自动按要求输出结果
  • 简单的学生成绩数据分析案例

    千次阅读 2021-06-23 16:30:08
    本程序从Excel文件读取学生成绩,统计各个分数段(90分以上,8089分,7079分,60~69分,60分以下)学生人数,并用柱状图(如图9-1)展示学生成绩分布,同时计算出最高分、最低分、平均成绩、各分数段人数等分析指标...

    题目要求

    学生成绩存储在Excel文件(如表9-1)中,本程序从Excel文件读取学生成绩,统计各个分数段(90分以上,8089分,7079分,60~69分,60分以下)学生人数,并用柱状图(如图9-1)展示学生成绩分布,同时计算出最高分、最低分、平均成绩、各分数段人数等分析指标。

    1. 建一个数据测试表

    随便建,最好各个分数区间都有,展示出来更直观,示例建表如下:
    在这里插入图片描述

    2. 编写程序

    程序可分为两部分编写,一部分用于读取表格数据,拿到分数数据再求其他相关量就好做了,第二部分就是拿到第一部分的成绩列表,再进行具体的数据分析需求。
    示例代码:

    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    import xlrd
    import matplotlib.pyplot as plt
    
    
    wb = xlrd.open_workbook('mark.xlsx')
    sheet = wb.sheet_names()
    sh = wb.sheet_by_name('Sheet1')
    course_list = sh.row_values(0)
    print(course_list[2:])  # ['physics', 'Python', 'math', 'english']
    course = input('请输入需要展示的课程名:')
    m = course_list.index(course)
    col_list = sh.col_values(m)
    print(col_list)  # ['math', 95.0, 94.0, 93.0, 92.0]
    score_list = col_list[1:]
    print(score_list)
    print(sum(score_list))
    print('最高分:%s ' % max(score_list))
    print('最低分:%s' % min(score_list))
    print('平均分:%s' % (int(sum(score_list)) / len(score_list)))
    
    y = [0, 0, 0, 0, 0]
    for score in score_list:
        if score >= 90:
            y[0] += 1
        elif score >= 80:
            y[1] += 1
        elif score >= 70:
            y[2] += 1
        elif score >= 60:
            y[3] += 1
        else:
            y[4] += 1
    print('90分以上:',y[0])
    print('80-90分:',y[1])
    print('70-79分:',y[2])
    print('60-69分:',y[3])
    print('60分以下:',y[4])
    
    
    xl = ['90分以上', '80-90分', '70-79分', '60-69分', '60分以下']
    
    x = [1, 2, 3, 4, 5]
    plt.xlabel('分数段')
    plt.ylabel('人数')
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.xticks(x, xl)
    recs = plt.bar(x=x, height=y, color='green', width=0.5)
    plt.title(course + '成绩分析')
    for rec in recs:
        height = rec.get_height()
        plt.text(rec.get_x() + rec.get_width() / 2.0, 1.03 * height, '%s' % float(height))
    
    plt.show()
    
    

    3. 效果展示

    在这里插入图片描述

    展开全文
  • 基于关联分析的高校护理专业学生成绩数据挖掘与分析研究.pdf
  • 数据挖掘方法分析学生成绩的影响因素.pdf
  • 贵州医科大学学生成绩数据挖掘与分析研究.pdf
  • python数据分析-学生成绩分析

    千次阅读 2020-09-04 13:21:42
    目标:分析学生成绩的影响因素 1.导入原始数据,以及需要用到的库 import pandas as pd import numpy as np df = pd.read_csv('StudentsPerformance.csv') (数据来源于kaggle) 2.查看文件 从上面的信息可以看出这...

    目标:分析学生成绩的影响因素

    1.导入原始数据,以及需要用到的库

    import pandas as pd
    import numpy as np
    df = pd.read_csv('StudentsPerformance.csv')
    

    (数据来源于kaggle)

    2.查看文件
    在这里插入图片描述
    在这里插入图片描述
    从上面的信息可以看出这一千个学生的数据中是没有空值,而且可以看出各列数据的类型。
    还可以通过unique来查看某列数据都有哪些值,是否有无效数据。

    df['parental level of education'].unique()
    df['test preparation course'].unique()
    

    在这里插入图片描述
    再来查看成绩是否为有效值(使用loc)

    df.loc[(df['math score']<0) | (df['math score']>100) | (df['reading score']<0) | (df['reading score']>100) | (df['writing score']<0) | (df['writing score']>100)]
    

    在这里插入图片描述
    可以看出成绩中没有无效值

    3.数据处理
    根据目标,删除一些不需要的列(使用drop)

    df.drop(['gender','race/ethnicity'],axis=1)
    #参数axis默认值为0,指行,要删除列的话将axis设为1
    df_1 = df.drop(['gender','race/ethnicity'],axis=1)
    

    在这里插入图片描述
    求学生成绩平均值

    df_1['average']= round((df_1['math score']+df_1['reading score']+df_1['writing score'])/3)
    #round()用来对数据四舍五入
    

    在这里插入图片描述
    4.分析学生成绩影响因素

    df_1.groupby('parental level of education')['average'].agg([np.mean]).plot.bar()
    df_1.groupby('lunch')['average'].agg([np.mean]).plot.bar()
    df_1.groupby('test preparation course')['average'].agg([np.mean]).plot.bar()
    

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    从上面三张图可以初步得出结论:
    1.父母学历越高,学生成绩越好
    2.午餐吃的好的同学成绩较高
    3.考试准备充分的同学成绩较高

    以下,用相关系数分析父母学历对哪科成绩影响最大

    先按照父母学历高低将表中数据替换为数值

    df_1.replace({'some high school':1, 'high school':2,'some college':3,"associate's degree":4,"bachelor's degree":5,"master's degree":6},inplace = True)
    #inplace = True是为了改变文档的源数据
    

    在这里插入图片描述
    用corr求出相关系数(相关系数接近0,说明相关性小,越接近1,正相关性越强,越接近-1,负相关性越强)
    在这里插入图片描述
    根据父母学历与学生数学、阅读、写作成绩的相关系数,可以看出,父母学历与三者都成正相关,其中与写作成绩相关性最强,而且各科之间相关性都很强,说明某一科成绩好的同学其他科成绩很可能也好。

    5.结论
    通过以上分析,可以初步得出以下的结论:
    1.父母学历越高,学生成绩越好(对写作成绩的影响最大)
    2.午餐吃的好的同学成绩较高
    3.考试准备充分的同学成绩较高
    4.某科成绩好的学生其他科成绩也较好(其中写作与阅读成绩相关性最强)

    展开全文
  • 利用Python分析学生成绩一、题目描述二、解题步骤运行环境题目分析三、完整代码四、运行结果五、参考文献 一、题目描述 个人构造一个30名学生的班级,每名学生有三门课程,学生的学号和各门成绩形如: 学号 高数 ...

    一、题目描述

    个人构造一个30名学生的班级,每名学生有三门课程,学生的学号和各门成绩形如:

    学号 高数 英语 Python
    1001 85 90 96
    1002 96 92 95
    1003 78 87 83
    为了输入数据方便,请保存在如student_score.csv文件中。
    (1)请计算三门课程的总分,此班级每门课程的平均分和最高分及最低分,并绘制相应的图形来统计三门课程的成绩分布。
    (2)各图形自拟。
    (3)坐标轴标签,图例等属性设置完整。
    (4)使用中文标题及标签。

    二、解题步骤

    运行环境

    Anconda3.X Spyder(Python 3.7)

    题目分析

    步骤一:创建csv文件以保存实验所需数据。
    本文使用使用Excel创建CSV文件。操作步骤如下:
    1)新建一个Excel表,(使用WPS和Microsoft都是一样的)
    2)打开Excel进行编辑。
    3)生成.csv文件。
    方式一:WPS表格-另存为-其它格式-选择文件类型-命名文件名,最后保存。
    方式二:保存文档后直接修改“新建 Microsoft Excel 工作表.xlsx”为“使用Excel创建CSV文件.csv”。
    4)点击保存后有相应警告提醒,则选“确定”或“是”即可

    本文使用到的资源(百度网盘)
    链接:https://pan.baidu.com/s/1gKDtK2yNfPgj_2OIzWI0TA
    提取码:8vnx

    步骤二:导入所需要的库

    import pandas as pd	#进行文件读取
    import matplotlib.pyplot as plt #绘图
    

    步骤三:读取csv文件
    在Spyder中读取student_score.csv为DataFrame字符流,并且赋值给df,需要设置编码格式为GBK格式。本文将数据文件放置在同一目录下。作者在使用UFT-8编码会无法正确读出数据。

    score = pd.read_csv('./student_score.csv',encoding = 'gbk')#这里使用的是相对路径
    #获取文件绝对路径
    #import os
    #file_path = os.path.abspath('students_score.csv')
    #print(file_path)
    

    步骤四:提取所需数据
    此步骤中涉及到DataFrame的一些操作。本文在提取相关数据时使用访问属性的方式访问DataFrame单列数据。在附录B中有使用字典访问内部数据的方式访问DataFrame单列数据。

    score = pd.read_csv('./student_score.csv',encoding = 'gbk')
    #最高分
    Math_Max = score.高数.max()
    English_Max = score.英语.max()
    Python_Max = score.Python.max()
    #最低分
    Math_Min = score.高数.min()
    English_Min = score.英语.min()
    Python_Min = score.Python.min()
    #成绩方差
    Math_Var = score.高数.var()
    English_Var = score.英语.var()
    Python_Var = score.Python.var()
    #成绩均值
    Math_Avg = score.高数.mean()
    English_Avg = score.英语.mean()
    Python_Avg = score.Python.mean()
    #学生总成绩
    Total_Score = score.高数 + score.英语 + score.Python
    

    步骤五:设置字体
    由于默认的pyplot字体并不支持中文字符的显示,因此需要通过设置font.sans-serif参数来改变绘图时的字体,使得可以正常显示中文。同时,由于更改字体后会导致坐标轴中的字体无法显示,因此要同时更改axes.unicode_minus参数

    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False
    

    步骤六:数据可视化
    本文只列出了所有学生总成绩的直方图,折线图,散点图和每门课程的箱线图,其他部分的图形数据较少只给出直方图。其他的绘图在附录B中有相关代码参考。

    plt.title('学生总成绩分布直方图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.bar(score.学号,Total_Score)
    plt.show()
    
    plt.title('学生总成绩分布折线图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.plot(score.学号,Total_Score)
    plt.show()
    
    plt.title('学生总成绩分布散点图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.scatter(score.学号,Total_Score)
    plt.show()
    
    plt.title('每门课程箱线图')
    plt.xlabel('课程名')
    plt.ylabel('分数')
    label = ['高数','英语','Python']
    s = (score.高数,score.英语,score.Python)
    plt.boxplot(s,labels = label)
    plt.show()
    
    plt.title('每门课程平均分直方图')
    plt.xlabel('课程名')
    plt.ylabel('平均分')
    plt.bar('Python',Python_Avg)
    plt.bar('高数',Math_Avg)
    plt.bar('英语',English_Avg)
    plt.show()
    
    plt.title('每门课程最高分直方图')
    plt.xlabel('课程名')
    plt.ylabel('最高分')
    plt.bar('Python',Python_Max)
    plt.bar('高数',Math_Max)
    plt.bar('英语',English_Max)
    plt.show()
    
    plt.title('每门课程最低分直方图')
    plt.xlabel('课程名')
    plt.ylabel('最低分')
    plt.bar('Python',Python_Min)
    plt.bar('高数',Math_Min)
    plt.bar('英语',English_Min)
    plt.show()
    

    也可以通过创建子图的方式显示,此时需要创建画布。

    p1=plt.figure()#创建画布
    a1=p1.add_subplot(2,2,1)#绘制第一幅子图
    plt.title('学生总成绩分布直方图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.bar(score.学号,Total_Score)
    
    a2=p1.add_subplot(2,2,2)#绘制第二幅子图
    plt.title('学生总成绩分布折线图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.plot(score.学号,Total_Score)
    
    a3=p1.add_subplot(2,2,3)#绘制第三幅子图
    plt.title('学生总成绩分布散点图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.scatter(score.学号,Total_Score)
    
    a4=p1.add_subplot(2,2,4)#绘制第四幅子图
    plt.title('每门课程箱线图')
    plt.xlabel('课程名')
    plt.ylabel('分数')
    label = ['高数','英语','Python']
    s = (score.高数,score.英语,score.Python)
    plt.boxplot(s,labels = label)
    plt.show()
    

    三、完整代码

    import pandas as pd
    import matplotlib.pyplot as plt
    
    #读取文件
    score = pd.read_csv('./student_score.csv',encoding = 'gbk')
    
    #最高分
    Math_Max = score.高数.max()
    English_Max = score.英语.max()
    Python_Max = score.Python.max()
    #最低分
    Math_Min = score.高数.min()
    English_Min = score.英语.min()
    Python_Min = score.Python.min()
    #成绩方差
    Math_Var = score.高数.var()
    English_Var = score.英语.var()
    Python_Var = score.Python.var()
    #成绩均值
    Math_Avg = score.高数.mean()
    English_Avg = score.英语.mean()
    Python_Avg = score.Python.mean()
    #学生总成绩
    Total_Score = score.高数 + score.英语 + score.Python
    
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False
    
    plt.title('学生总成绩分布直方图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.bar(score.学号,Total_Score)
    plt.show()
    
    
    plt.title('学生总成绩分布折线图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.plot(score.学号,Total_Score)
    plt.show()
    
    plt.title('学生总成绩分布散点图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.scatter(score.学号,Total_Score)
    plt.show()
    
    plt.title('每门课程箱线图')
    plt.xlabel('课程名')
    plt.ylabel('分数')
    label = ['高数','英语','Python']
    s = (score.高数,score.英语,score.Python)
    plt.boxplot(s,labels = label)
    plt.show()
    
    plt.title('每门课程平均分直方图')
    plt.xlabel('课程名')
    plt.ylabel('平均分')
    plt.bar('Python',Python_Avg)
    plt.bar('高数',Math_Avg)
    plt.bar('英语',English_Avg)
    plt.show()
    
    plt.title('每门课程最高分直方图')
    plt.xlabel('课程名')
    plt.ylabel('最高分')
    plt.bar('Python',Python_Max)
    plt.bar('高数',Math_Max)
    plt.bar('英语',English_Max)
    plt.show()
    
    plt.title('每门课程最低分直方图')
    plt.xlabel('课程名')
    plt.ylabel('最低分')
    plt.bar('Python',Python_Min)
    plt.bar('高数',Math_Min)
    plt.bar('英语',English_Min)
    plt.show()
    

    四、运行结果

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    通过创建子图的方式显示:
    在这里插入图片描述

    五、参考文献

    黄红梅,张良均.Python数据分析与应用[M].北京:人民邮电出版社,2018(4):52-89
    python 计算均值、方差、标准差 Numpy,Pandas

    附录

    附录A

    更新记录

    2021-05-04	
    新增:自定义数据,完成直方图,折线图,散点图,饼图等。
    	 使用字典访问内部数据的方式访问DataFrame单列数据。
    	 读取Excel文件数据表。请参考附录B 相关练习题目
    2021-05-24
    新增:附录B运行截图。
    更改:文中部分描述错误。
    2021-06-18
    新增:文中正文与附录中的测试代码文件,正文文件为网盘连接。
    

    附录B 相关练习题目

    练习一:读取Excel文件数据表分别存入DataFrame对象Score和Duty

    题目描述
    1.练习pandas统计分析基础,数据读取、分析、输出。
    2.自建EXCEL文件,分为2个工作区,分别存放学生信息表(不少于30人)和班级职务表(不少于4种职务)。

    如信息表:
    学号 姓名
    性别 数学 英语 Python 通信技术
    1001 张三 男 95 86 87 90
    1002 李四 女 98 84 88 89
    如班级职务表:
    学号 职务
    1001 班长
    1002 学习委员
    读取Excel文件数据表分别存入DataFrame对象Score和Duty。要求如下:

    1)Score对象新增一列“总分”为前四列成绩之和。
    2)Score对象依据“总分”列的值从高到低进行排序。
    3)Score对象根据性别列进行分组,输出男女生各自的平均分。
    4)输出男女生的最高分。
    5)Score对象新增一列“等级”,总分大于360的等级为A,总分小于270的等级为C,介于270到360之间为B。
    6)以“学号”列为关联关键,将Score对象和Duty对象合并,保留所有Score对象的数据行,合并声称新的DataFrame对象Students。
    7)把Students对象数据存入新的Excel文件students.xlsx中。

    本文用到的数据class.xlsx

    参考代码
    请注意在#Anaconda 3.7版本中 ‘sheetname’ 命令,已更新为 ‘sheet_name’
    如果有报错:TypeError: read_excel() got an unexpected keyword argument 'sheetname'请尝试将’sheetname‘改为’sheet_name’

    import pandas as pd
    
    Score = pd.read_excel('./class.xlsx')
    #TypeError: read_excel() got an unexpected keyword argument `sheetname`
    #Anaconda 3.7版本中 'sheetname' 命令,已更新为 'sheet_name' 
    Duty = pd.read_excel('./class.xlsx',sheet_name=1)
    
    Score['总分'] = Score['数学'] + Score['英语'] + Score['Python'] + Score['通信技术']
    Score = Score.sort_values(by='总分',ascending=False)
    
    newgroup = Score[['性别','数学','英语','Python','通信技术','总分']].groupby( by  ='性别')
    print(newgroup.mean())
    print(newgroup.max())
    
    Score['等级'] = Score['总分'].apply(lambda x: 'A' if x>=360 else('C' if x<270  else 'B'))
    
    #print(Score)
    #print(Duty)
    
    Students = pd.merge(left=Score , right=Duty , how="outer",on='学号')
    #Students = pd.concat([Score,Duty],axis=1,join='inner')
    print(Students)
    
    Students.to_excel('./students.xlsx')
    

    运行结果

               数学         英语     Python       通信技术          总分
    
    性别                                                        
    
    女   81.823529  88.588235  89.176471  80.941176  340.529412
    
    男   87.722222  88.055556  89.944444  78.833333  344.555556
    
        数学  英语  Python  通信技术   总分
    
    性别                           
    
    女   99  97      99    91  362
    
    男   97  98      99    94  362
    
          学号 性别  数学  英语  Python  通信技术   总分 等级    职务
    
    0   1035  男  89  95      84    94  362  A  体育委员
    
    1   1030  女  84  90      99    89  362  A  纪律委员
    
    2   1010  男  94  89      99    79  361  A     无
    
    3   1034  男  88  94      83    93  358  B     无
    
    4   1029  女  83  89      98    88  358  B  心理委员
    
    5   1009  男  93  88      98    78  357  B     无
    
    6   1028  女  82  88      97    87  354  B  心理委员
    
    7   1033  男  87  93      82    92  354  B     无
    
    8   1008  男  92  87      97    77  353  B  学习委员
    
    9   1015  女  99  94      84    74  351  B     无
    
    10  1027  男  81  87      96    86  350  B     无
    
    11  1032  女  86  92      81    91  350  B     无
    
    12  1007  男  91  86      96    76  349  B  学习委员
    
    13  1014  女  98  93      83    73  347  B     无
    
    14  1026  女  80  86      95    85  346  B     无
    
    15  1006  男  90  85      95    75  345  B     无
    
    16  1013  男  97  92      82    72  343  B     无
    
    17  1025  女  79  85      94    84  342  B     无
    
    18  1005  男  89  84      94    74  341  B     无
    
    19  1012  男  96  91      81    71  339  B     无
    
    20  1024  女  78  84      93    83  338  B     无
    
    21  1019  男  73  98      88    78  337  B  宣传委员
    
    22  1004  男  88  83      93    73  337  B     无
    
    23  1031  女  85  91      70    90  336  B  纪律委员
    
    24  1011  男  95  90      80    70  335  B     无
    
    25  1023  女  77  83      92    82  334  B     无
    
    26  1018  女  72  97      87    77  333  B     无
    
    27  1003  男  87  82      92    72  333  B    班长
    
    28  1022  女  76  82      91    81  330  B     无
    
    29  1002  女  86  81      91    71  329  B     无
    
    30  1017  女  71  96      86    76  329  B     无
    
    31  1021  男  75  81      90    80  326  B  心理委员
    
    32  1016  女  70  95      85    75  325  B     无
    
    33  1001  女  85  80      90    70  325  B     无
    
    34  1020  男  74  80      89    79  322  B  宣传委员
    

    练习二:自定义数据,完成直方图,折线图,散点图,饼图等

    参考代码

    import pandas as pd
    import matplotlib.pyplot as plt
    
    stu = pd.read_excel('./class.xlsx')
    stu_Score = stu['数学'] + stu['英语'] + stu['Python'] + stu['通信技术']
    stu['总分'] = stu_Score
    print(stu)
    
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False
    
    plt.title('学生总成绩分布直方图')
    plt.xlabel('学号')
    plt.ylabel('总分')
    plt.bar(stu['学号'],stu['总分'])
    plt.show()
    
    plt.title('学生成绩分布折线图')
    plt.xlabel('学号')
    plt.ylabel('分数')
    plt.plot(stu['学号'],stu['总分'],'r-',stu['学号'],stu['数学'],'b-',stu['学号'],stu['英语'],'y--',
            stu['学号'],stu['Python'],'g',stu['学号'],stu['通信技术'],'m-')
    plt.legend(['总分','数学','英语','Python','通信技术'])
    plt.show()
    
    plt.title('学生成绩分布散点图')
    plt.xlabel('学号')
    plt.ylabel('分数')
    plt.scatter(stu['学号'],stu['总分'])
    plt.scatter(stu['学号'],stu['数学'])
    plt.scatter(stu['学号'],stu['英语'])
    plt.scatter(stu['学号'],stu['Python'])
    plt.scatter(stu['学号'],stu['通信技术'])
    plt.legend(['总分','数学','英语','Python','通信技术'])
    plt.show()
    
    plt.title('学生成绩饼图')
    label = ['数学','英语','Python','通信技术']
    X = [stu['数学'].sum(),stu['英语'].sum(),stu['Python'].sum(),stu['通信技术'].sum()]
    plt.pie(X,labels=label,autopct='%1.2f%%')
    plt.show()
    

    运行结果
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 学生成绩进行数据挖掘应用分析.pdf
  • 学生成绩数据

    2019-05-26 23:19:41
    此数据集含有学生3门课程成绩数据学生个人信息、社交信息等信息。共计1000行,每行8种数据。在此分享出来供大家学习使用。
  • 基于ID3算法的大学生成绩数据挖掘与体能分析系统设计.pdf
  • 基于数据挖掘技术的学生成绩分析.pdf
  • 采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf 采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf
  •  针对课程设置与课程成绩之间的联系,通过比较分析可以发现学生成绩背后所...通过对学生成绩数据的挖掘,可以发现隐藏其中的关联规则,得出有实际价值的规则及结论,从而为教学管理人员优化课程设置提供决策支持。
  • 数据挖掘在学生成绩分析中的应用.pdf
  • 基于数据挖掘的大学生成绩分析应用.pdf
  • 基于数据挖掘的高校学生成绩预测分析.pdf
  • 数据挖掘在学生成绩分析预警中的应用.pdf
  • 数据挖掘技术在学生成绩分析中的应用.pdf
  • 数据挖掘在高校学生成绩分析中的应用.pdf
  • 基于数据挖掘的高校学生成绩分析与管理.pdf
  • 基于数据挖掘决策树技术的学生成绩分析.pdf
  • 基于数据挖掘的高校学生成绩预警状况分析.pdf
  • 数据挖掘在学生成绩数据中的应用研究.pdf
  • 基于数据挖掘聚类算法的学生成绩分析.pdf
  • 基于数据挖掘的学生成绩分析系统

    热门讨论 2012-07-05 14:00:40
    是本科毕业设计,用的是C4.5数据挖掘算法,分析前导课程与后续课程的关系和平时成绩对期末成绩的关系。
  • 数据挖掘技术在学生成绩分析中的应用研究.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 50,986
精华内容 20,394
关键字:

如何分析学生成绩数据